Local cover image
Local cover image

Detección de ataques de seguridad en redes usando técnicas de ensembling

By: Contributor(s): Material type: TextTextPublication details: 2020Description: 1 archivo (1,8 MB) : il. colSubject(s): Online resources:
Contents:
1. Introducción -- 2. Antecedentes -- 2.1. Flujos de red -- 2.2. Threat Intelligence -- 2.3. Técnicas de Ensembling -- 2.3.1. Bagging -- 2.3.2. Boosting -- 2.3.3. Voting -- 2.3.4. Stacking -- 2.4. Slips -- 2.4.1. Arquitectura de Slips -- 2.4.2. Módulos principales de Slips -- 3. Estado del arte -- 4. Ensembling para detectar hosts infectados en la red -- 4.1. Fase 1: Ensemble Learning para clasificar flujos de red -- 4.2. Fase 2: Ensemble Learning para clasificar conjuntos de flujos que van de un origen a un destino -- 4.2.1. Primer nivel de decisión -- 4.2.2. Segundo nivel de decisión -- 4.3. Fase 3: Ensemble Learning para clasicar hosts -- 5. Datasets -- 5.1. Dataset 1 -- 5.2. Dataset 2 -- 5.3. Dataset 3 -- 6. Experimentos -- 6.1. Experimentos de la Fase 1 -- 6.1.1. Primera etapa de pruebas de la Fase 1 -- 6.1.2. Segunda etapa de pruebas de la Fase 1 -- 6.1.3. Dataset resultante de la Fase 1 -- 6.2. Experimentos Fase 2 -- 6.2.1. Entrenamiento de la Fase 2 -- 6.2.2. Testeo de la Fase 2 -- 6.2.3. Resultados de la Fase 2 -- 6.3. Experimentos Fase 3 -- 6.3.1. Entrenamiento de la Fase 3 -- 6.3.2. Testeo de la Fase 3 -- 6.3.3. Resultados de la Fase 3 -- 7. Implementación del Módulo Ensembling -- 7.0.1. Propuesta de integración del módulo a CERTUNLP -- 8. Conclusiones -- Bibliografía
Dissertation note: Tesis (Maestría en Redes de Datos) - Universidad Nacional de La Plata. Facultad de Informática, 2020.
Star ratings
    Average rating: 0.0 (0 votes)

Tesis (Maestría en Redes de Datos) - Universidad Nacional de La Plata. Facultad de Informática, 2020.

1. Introducción -- 2. Antecedentes -- 2.1. Flujos de red -- 2.2. Threat Intelligence -- 2.3. Técnicas de Ensembling -- 2.3.1. Bagging -- 2.3.2. Boosting -- 2.3.3. Voting -- 2.3.4. Stacking -- 2.4. Slips -- 2.4.1. Arquitectura de Slips -- 2.4.2. Módulos principales de Slips -- 3. Estado del arte -- 4. Ensembling para detectar hosts infectados en la red -- 4.1. Fase 1: Ensemble Learning para clasificar flujos de red -- 4.2. Fase 2: Ensemble Learning para clasificar conjuntos de flujos que van de un origen a un destino -- 4.2.1. Primer nivel de decisión -- 4.2.2. Segundo nivel de decisión -- 4.3. Fase 3: Ensemble Learning para clasicar hosts -- 5. Datasets -- 5.1. Dataset 1 -- 5.2. Dataset 2 -- 5.3. Dataset 3 -- 6. Experimentos -- 6.1. Experimentos de la Fase 1 -- 6.1.1. Primera etapa de pruebas de la Fase 1 -- 6.1.2. Segunda etapa de pruebas de la Fase 1 -- 6.1.3. Dataset resultante de la Fase 1 -- 6.2. Experimentos Fase 2 -- 6.2.1. Entrenamiento de la Fase 2 -- 6.2.2. Testeo de la Fase 2 -- 6.2.3. Resultados de la Fase 2 -- 6.3. Experimentos Fase 3 -- 6.3.1. Entrenamiento de la Fase 3 -- 6.3.2. Testeo de la Fase 3 -- 6.3.3. Resultados de la Fase 3 -- 7. Implementación del Módulo Ensembling -- 7.0.1. Propuesta de integración del módulo a CERTUNLP -- 8. Conclusiones -- Bibliografía

Click on an image to view it in the image viewer

Local cover image